Katalog / Computer Vision & visuelle KI / VIS-003

Infrastrukturinspektion mit Drohnen (Brücken, Freileitungen, Windenergieanlagen)

Drohnen (oder Kriechroboter) fliegen über Brücken, Freileitungen und Windenergieanlagen; Computer Vision findet, klassifiziert und verfolgt Schäden und liefert den Instandhaltungsingenieuren eine priorisierte, georeferenzierte Befundliste.

Bausteine für den EigenbetriebAgenten & AutomatisierungDokumente lesenPrognose & ZeitreihenBildverarbeitung

Die Inspektion einer Brückenunterseite, eines 60 m langen Rotorblatts oder von Kilometern Freileitung bedeutet herkömmlich Seilzugang, Hubsteiger, Hubschrauber oder Begehungen zu Fuß: langsam, teuer und riskant. Drohnen liefern dichtes Bildmaterial aus jedem Winkel; Computer Vision sichtet dann tausende Bilder je Anlage, meldet Risse, Korrosion, beschädigte Isolatoren, Erosion an der Blattvorderkante oder Bewuchs und ordnet jeden Befund einem 3D-Modell oder Anlagenbaum zu. Ingenieure prüfen und entscheiden – die KI verkleinert den Sichtungsaufwand und macht Inspektionen über die Zeit vergleichbar.

Problem & Nutzen

  • Heute: Sichtprüfungen durch Seilzugangstechniker, Kletterer, Brückeninspektionsfahrzeuge oder bemannte Luftfahrzeuge. Sie finden periodisch statt, sind teuer und gefährlich (Arbeiten in der Höhe, spannungsführende Leiter), und die Ergebnisse sind subjektiv und von Jahr zu Jahr schwer vergleichbar. Nach einem Drohnenflug ist der neue Engpass die manuelle Bildsichtung: eine Windenergieanlage oder ein Mast kann hunderte Bilder liefern.
  • KI-Nutzen: weniger Arbeit in der Höhe und weniger Stillstandsstunden, objektive und wiederholbare Klassifikation von Schäden, eine Schadenshistorie je Bauteil und zustandsbasierte statt kalenderbasierte Instandhaltung. Einsparversprechen der Anbieter schwanken stark je nach Anlagentyp und sind nur gegenüber Ihren eigenen Ausgangskosten je Inspektion aussagekräftig.
  • Regulatorischer Treiber: Brückenbetreiber (z. B. DIN 1076 in Deutschland) müssen regelmäßige Zustandsbewertungen nachweisen; Drohnen ergänzen die vorgeschriebene handnahe Prüfung, ersetzen sie aber nicht.

Varianten

  • Windenergieanlagen: Blattoberfläche (Erosion an der Vorderkante, Risse, Blitzschäden, Delamination per Thermografie), Turm und Gondel; eigene Drohnenteams, Dienstleister oder angeleinte/Kriech-Roboter für die Nahinspektion. Offshore kommen von Schiffen gestartete Flüge hinzu.
  • Freileitungen und Umspannwerke: Korrosion an Masten, Schäden an Isolatoren und Armaturen, Leiterschäden, Vegetationsabstand per LiDAR, thermische Hotspots in Umspannwerken; BVLOS-Flüge entlang von Trassen.
  • Brücken und Ingenieurbauwerke: Rissaufnahme an Beton, Korrosion, Lager und Fugen, oft unter der Fahrbahn (ohne GNSS-Empfang, daher visuelle oder LiDAR-SLAM-Navigation); außerdem Staudämme, Schornsteine, Türme, Fassaden.
  • Weitere: Rohrleitungen, Solarparks (thermische Fehler), Bahn-Oberleitungen, Häfen.
  • Privatnutzung: vernachlässigbar, über gelegentliche Dachkontrollen als Hobby im Rahmen der Regeln der offenen Kategorie hinaus.

So funktioniert es

  1. Missionsplanung (Anlagenmodell, Wegpunkte, Überlappung, RTK)
  2. autonomer oder pilotierter Flug (RGB + Wärmebild + optional LiDAR), georeferenziert
  3. Upload / Edge-Vorprüfung (Unschärfe, Abdeckungsprüfung vor Ort)
  4. Photogrammetrie / 3D-Rekonstruktion (Orthomosaik, Mesh, Punktwolke) + Zuordnung der Bilder zu Bauteilen
  5. Schadenserkennung & Segmentierung (Risse, Korrosion, Erosion, beschädigte Isolatoren, Hotspots)
  6. Schweregrad-Klassifikation je Bauteil + Änderungserkennung gegenüber der vorherigen Kampagne
  7. Prüfung durch Ingenieure (bestätigen / ablehnen / neu bewerten)
  8. Berichtserstellung
  9. Arbeitsaufträge in EAM/CMMS (SAP PM, IBM Maximo, Infor) + digitaler Anlagenzwilling
  • Detektion: Objektdetektoren (YOLO-Klasse, RT-DETR) für einzelne Teile und Schäden; Segmentierungsmodelle für Risse und Korrosionsflächen (pixelgenaue Breite/Fläche); Anomalieerkennung für seltene Schäden mit wenigen Labels.
  • 3D-Zuordnung: Jedes Bild wird dem genauen Blattabschnitt, Mastbauteil oder Brückenelement zugeordnet, damit Befunde verortet und nachverfolgbar sind – das ist ebenso wichtig wie der Detektor selbst.
  • VLMs: Berichtsentwürfe und semantische Suche über Befunde, nicht als alleiniger sicherheitsrelevanter Klassifikator.
  • Mensch-in-der-Schleife (Human-in-the-Loop): Ein qualifizierter Prüfer bestätigt jeden Befund oberhalb einer Schweregradschwelle und unterzeichnet den Bericht; Bilder mit geringer Konfidenz gehen in die Prüfung, statt stillschweigend verworfen zu werden.

Datenaufbereitung

Die Daten sind hochauflösende RGB- und Wärmebilder, Video, LiDAR und Flugprotokolle mit GNSS-Lage sowie das Anlagenverzeichnis und frühere Prüfberichte. Sie liegen auf SD-Karten der Drohnen, Laptops der Piloten, Dateiablagen und in Berichten (oft PDF oder Papier). Typische Lücken: Bilder ohne Anlagen-ID oder Position, uneinheitliche Ordnerstrukturen, verstreute historische Berichte, keine gemeinsame Schadensklassifikation, wenige Beispiele je Schadenstyp und riesige Datenmengen.

Schritte der Aufbereitung: (1) mit den Ingenieuren einen Schadenskatalog und eine Schweregradskala vereinbaren (PREP-019); (2) jeden Flug und jedes Bild mit einer Anlagen-ID aus dem Verzeichnis verknüpfen; (3) einen strukturierten, gesicherten Speicher mit Metadaten einrichten (PREP-010, DATA-007); (4) alte Prüfberichte digitalisieren und auslesen (PREP-006, DOC-014); (5) Schäden mit Fachleuten labeln und dabei Model-in-the-Loop zur Beschleunigung nutzen (DATA-023); (6) Personen und Kfz-Kennzeichen vor einer breiteren Nutzung unkenntlich machen (Prinzip aus DOC-018).

Werkzeuge: CVAT, Label Studio, Software der Drohnenhersteller, ein einfacher, nach Anlagen geordneter Objektspeicher. Grober Anteil am Gesamtaufwand: 40-60 Prozent.

Umsetzungswege

Welcher Weg für wen

  • KMU — Weg A: Die meisten kleinen Betreiber kaufen Drohneninspektion als Dienstleistung oder Plattformen mit eingebauter Schadenserkennung, da Flugbetrieb und Modelle spezialisiert sind.
  • Großunternehmen — Weg B: Große Anlagenbestände rechtfertigen eine eigene Pipeline auf Cloud-KI-Diensten und Modellen, integriert mit Anlagenverzeichnis und Instandhaltungssystem.
  • Öffentliche Hand — Weg C: Öffentliche Versorger und Behörden profitieren von souveräner, selbst betriebener Verarbeitung wegen der Daten kritischer Infrastruktur und der Vergaberegeln.
  • Entwickler — Weg C: Open-Source-Werkzeuge für Detektion und Photogrammetrie erlauben volle Kontrolle, brauchen aber GPU-Kapazität der Klasse HW3.

Weg A — Kaufen (Standardsoftware; für die meisten Betreiber empfohlen)

  • Inspektionsplattformen mit KI-Analytik: Skydio (USA; autonome Drohnen, 3D Scan), Percepto (IL; Drohne in der Station), Sterblue (FR, EU; Freileitungen und Wind), Voliro (CH; Kontaktinspektion), Scopito (DK, EU; Annotation und Berichtswesen), Aerones (LV, EU; Roboter für Blattarbeiten), Flyability (CH; enge Räume), DJI-Enterprise-Hardware (beachten Sie die Sicherheitsdebatten zu chinesischen Drohnen in kritischer Infrastruktur).
  • Dienstleistungsmodell: Viele Betreiber kaufen die Inspektion als Dienstleistung (Flüge, Analyse, Bericht).
  • Weg A wählen, wenn: Sie weniger als einige hundert Anlagen haben, kein internes Drohnen- und ML-Team vorhanden ist oder schnell akkreditierte Berichte nötig sind. Prüfen Sie EU-Datenhaltung, Export der Rohbilder, offene Berichtsformate und die Integration in Ihr EAM.

Weg B — Auf Cloud-KI-Diensten aufbauen

  • Speicher und Rechenleistung: Speicher in EU-Regionen und GPU-Batch-Inferenz (AWS Frankfurt, Azure, OVHcloud, STACKIT); Pix4D (CH) oder DroneDeploy für Orthomosaike.
  • Modelle: verwaltetes Training und Hosting (Azure ML, Vertex AI, SageMaker) für eigene Detektoren; multimodale APIs (Claude, Gemini, GPT, Mistral) für Berichtsentwürfe und eine Zero-Shot-„Zweitmeinung“ zur Vorsortierung mit strukturierten Ausgaben.
  • Integration: EAM-/CMMS-APIs, GIS (QGIS/PostGIS), Prüfoberfläche wie CVAT.
  • Weg B wählen, wenn: Sie einen eigenen Flugbetrieb haben und eigene Schadenstaxonomien wünschen, die an Ihr Instandhaltungssystem gebunden sind.

Weg C — Selbst betreiben (Open Source)

  • Detektion/Segmentierung: Ultralytics YOLO (AGPL, Lizenz prüfen), RT-DETR, MMDetection, Detectron2, SAM 2 (Segment Anything 2) für assistiertes Labeling und Rissegmentierung; Anomalib für unüberwachte Anomalieerkennung.
  • Photogrammetrie/3D: OpenDroneMap/WebODM, COLMAP, PDAL, Open3D.
  • Edge: NVIDIA Jetson Orin an der Drohne oder Station für Abdeckungsprüfungen in Echtzeit.
  • Hardware: HW3 (eine GPU mit 48 GB) für Training und Batch-Inferenz über eine Flotte; HW1 (Jetson) am Edge; Photogrammetrie profitiert von einer leistungsstarken GPU-Workstation.

Weg D — Eigenes Training

Meist nötig: Öffentliche Datensätze passen selten zu Ihren Beschichtungen, Isolatoren oder Ihrem Beton. Ein vortrainiertes Modell mit hunderten bis tausenden gelabelter Beispiele je Schadensklasse feintunen (seltene Schäden: synthetische Daten, Anomalieerkennung), gelabelt von Prüfern anhand Ihres Schadenskatalogs (Codes nach DIN 1076, Skala des Herstellers oder Versicherers); eine Kampagne von einem anderen Standort und aus einer anderen Jahreszeit zurückhalten.

Stand der Technik (2026)

  • Autonomie: Drohne in der Station und BVLOS-Trassenflüge wandern aus Pilotprojekten in den Routinebetrieb; autonomes Hindernisvermeiden und Flugplanung für 3D-Scans senken den Bedarf an Pilotenerfahrung.
  • Autonomie und Modelle: Drohne in der Station und BVLOS-Trassenflüge wandern aus Pilotprojekten in den Routinebetrieb; Segmentierung der SAM-Klasse beschleunigt das Labeling; VLMs entwerfen Texte und ermöglichen Suche, sind aber noch nicht zuverlässig für die quantitative Schweregradbewertung. Kontaktdrohnen liefern zusätzlich Ultraschall-Dickendaten (VIS-053).
  • Grenzen und Fehlerbilder: Kleine Haarrisse (unter einem Millimeter) brauchen eine sehr geringe Bodenauflösung (Ground Sample Distance) und gutes Licht; Reflexionen, Schatten, nasse Oberflächen, Schmutz und Farbmarkierungen verursachen Fehlalarme; Klassenungleichgewicht heißt, dass seltene kritische Schäden am schlechtesten erkannt werden; Modelle, die auf einem Anlagentyp oder in einem Klima trainiert wurden, verallgemeinern schlecht; GNSS-Mehrwegeffekte in der Nähe von Stahlkonstruktionen und unter Brücken verschlechtern die Georeferenzierung; Drohnenbilder können innere Schäden nicht sehen (Korrosion unter der Beschichtung, Delamination im Inneren von Rotorblättern, Spannstahl). Behandeln Sie die KI-Ausgabe als Vorauswahl.

Gemeinsame Bausteine & Kombinationen

Aufwand, Kosten & Kennzahlen

  • Weg A: Wochen bis zur ersten Kampagne. Weg B: 3-6 Monate. Weg C/D: 6-12+ Monate inkl. Labeling und Validierung.
  • Kostentreiber: Flugbetrieb, Labeling seltener Schäden, 3D-Zuordnung, Hardware, Datenvolumen.
  • Kennzahlen: Recall bei kritischen Schäden (die wichtigste Kennzahl), Precision/Fehlalarmquote, Sichtungszeit je Anlage, Inspektionskosten je Anlage, vermiedene Arbeitsstunden in der Höhe, Zeit vom Flug bis zum Bericht, Anteil früh gefundener Schäden (vor dem Anstieg der Reparaturkosten), Stillstandszeit der Anlage.

Menschen & Veränderung

Beziehen Sie die Geschäftsleitung für Budget und Sicherheitsziele ein, die Anlagen- oder Instandhaltungsleitung als Prozessverantwortliche, Drohnenpiloten und Prüfer als Anwender, IT und IT-Sicherheit für Datenspeicherung und Fernzugriff, die Rechtsabteilung für Luftraum und Haftung sowie den/die Datenschutzbeauftragte(n), weil Flüge Personen und Privatgrundstücke erfassen können. Die Dateneigner liefern das Anlagenverzeichnis und die Berichte.

Betriebsrat: abhängig vom Einzelfall. Die Inspektion von Anlagen ist keine Überwachung von Beschäftigten; werden aber Beschäftigte wie Piloten oder Instandhaltungstrupps gefilmt oder Ergebnisse und Flugprotokolle je Person ausgewertet, gilt §87 Abs. 1 Nr. 6 BetrVG; informieren Sie den Betriebsrat in jedem Fall über veränderte Arbeitsverfahren (§90 Abs. 1 Nr. 3). Öffentliche Betreiber: Personalrat. Eine DSFA kann bei systematischer Aufzeichnung im öffentlichen Raum oder in der Nähe von Wohnbebauung nötig sein; AVV mit jedem Cloud-Auftragsverarbeiter.

KI-Kompetenz: Die KI-Verordnung (AI Act, Art. 4) verlangt Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern; schulen Sie Prüfer darin, Erkennungen, Fehlalarme und Grenzen zu lesen. Vermitteln Sie, dass Ingenieure weiterhin über sicherheitsrelevante Befunde entscheiden; die KI priorisiert nur Bilder. Starten Sie mit einem Pilotprojekt an einem Anlagentyp, etwa einem Windpark oder einer Brücke, mit erfahrenen Prüfern und behalten Sie die Freigabe durch Fachleute bei. Siehe GUIDE-005, GUIDE-008 und GUIDE-009.

Risiken, Regulierung & Compliance

  • Drohnenrecht (EU): Die Verordnung (EU) 2019/947 legt die Kategorien offen/speziell/zulassungspflichtig fest; Inspektionen erfordern meist die spezielle Kategorie (SORA-Risikobewertung), BVLOS braucht eine Genehmigung; nationale Regeln ergänzen Geozonen.
  • KI-Verordnung (AI Act): Die Inspektions-KI selbst ist typischerweise minimales Risiko oder „abhängig vom Einzelfall“: Hochriskant ist sie, wenn sie als Sicherheitsbauteil bei Verwaltung und Betrieb kritischer Infrastruktur wirkt (Anhang III, Punkt 2, z. B. Energieversorgung, Straßenverkehr, digitale Infrastruktur) – prüfen Sie im Einzelfall, ob ein Versagen der KI die Sicherheit gefährdet oder lediglich eine Instandhaltungsentscheidung unterstützt. Die Drohnen selbst unterliegen dem Drohnenrecht. Kein Problem nach Art. 5, solange die Pipeline nicht zweckentfremdet wird, um Personen zu identifizieren (siehe DSGVO unten).
  • DSGVO: Flüge können identifizierbare Personen und Wohnhäuser erfassen; Trassen minimieren, Unbeteiligte unkenntlich machen (VIS-030), Aufbewahrungsfristen festlegen, für Wohngebiete eine DSFA durchführen.
  • Sicherheit kritischer Infrastruktur: Bilder und 3D-Modelle sind nach NIS2/CER sensibel; nutzen Sie EU-Hosting und Zugriffskontrolle.
  • Haftung: Der Ingenieur unterzeichnet den Bericht; halten Sie KI-Vorschlag, menschliche Entscheidung und Rohbilder in einem Prüfpfad fest.

Erste Schritte

  1. Eine Anlagenklasse auswählen (z. B. einen Windpark oder 20 Brücken) und den Schadenskatalog sowie die Schweregradskala, die Ihre Ingenieure heute tatsächlich verwenden, aufschreiben, zusammen mit den Ausgangskosten je Inspektion.
  2. Rechtsgrundlage prüfen: Betreiberregistrierung, Genehmigungskategorie, Geozonen, DSGVO/DSFA.
  3. Eine Pilotkampagne (eigen oder durch Dienstleister) mit Export der Rohbilder und Referenzbefunden (Ground Truth) menschlicher Prüfer durchführen.
  4. 2-3 Anbieter an Ihren eigenen Bildern vergleichen und dabei zuerst den Recall bei kritischen Schäden messen.
  5. Befunde in Ihr EAM/CMMS integrieren und vor der Skalierung einen Prüfablauf durch Ingenieure festlegen.

Quellen

  1. EASA — Drones (UAS) regulations and categories — https://www.easa.europa.eu/en/domains/civil-drones
  2. Regulation (EU) 2019/947 on rules and procedures for the operation of unmanned aircraft — https://eur-lex.europa.eu/eli/reg_impl/2019/947/oj
  3. Regulation (EU) 2024/1689 (AI Act), Annex III point 2 and Art. 5 — https://eur-lex.europa.eu/eli/reg/2024/1689/oj
  4. Regulation (EU) 2016/679 (GDPR) — https://eur-lex.europa.eu/eli/reg/2016/679/oj
  5. Skydio — Inspect solutions — https://www.skydio.com
  6. Voliro — contact inspection drones — https://www.voliro.com
  7. Ultralytics YOLO documentation — https://docs.ultralytics.com
  8. Anomalib (Intel/OpenVINO) — https://github.com/openvinotoolkit/anomalib
  9. OpenDroneMap — https://www.opendronemap.org
  10. Directive (EU) 2022/2555 (NIS2) — https://eur-lex.europa.eu/eli/dir/2022/2555/oj